[发明专利]产品推荐方法、装置、电子设备及可读存储介质

说明书

本发明涉及智能决策，揭露一种产品推荐方法，包括：基于第一历史点击数据及第一基本信息数据确定用户集中每个用户对应的第一特征矩阵及第一标注信息；构建产品推荐模型，产品推荐模型包括低阶组合特征提取分支及高阶组合特征提取分支，基于第一特征矩阵及第一标注信息训练产品推荐模型；基于第二历史点击数据及第二基本信息数据确定目标用户对应的第二特征矩阵；将第二特征矩阵输入训练好的产品推荐模型，得到目标用户对产品类别集中每个产品类别的预测点击率，基于预测点击率确定目标用户对应的产品推荐列表。本发明还提供一种产品推荐装置、电子设备及可读存储介质。本发明提高了产品推荐准确度。

技术领域

本发明涉及智能决策领域，尤其涉及一种产品推荐方法、装置、电子设备及可读存储介质。

背景技术

随着机器学习的发展，模型逐渐融入人们的生活中，例如，通过模型为用户推荐感兴趣的产品。当前，通常采用逻辑回归模型为用户推荐产品，然而因逻辑回归模型对自变量多重共线性较为敏感，使得相关性高的自变量无法正常回归，导致推荐准确度不高。因此，亟需一种产品推荐方法，以提高产品推荐准确度。

发明内容

鉴于以上内容，有必要提供一种产品推荐方法，旨在提高产品推荐准确度。

本发明提供的产品推荐方法，包括：

根据第一时间段内登录目标应用程序的用户信息生成用户集，获取所述用户集中每个用户在所述第一时间段内的第一历史点击数据及第一基本信息数据；

基于所述第一历史点击数据及所述第一基本信息数据确定所述用户集中每个用户对应的第一特征矩阵及第一标注信息；

构建产品推荐模型，所述产品推荐模型包括低阶组合特征提取分支及高阶组合特征提取分支，基于所述第一特征矩阵及所述第一标注信息训练所述产品推荐模型，得到训练好的产品推荐模型；

解析针对目标用户的产品推荐请求，从预设数据库获取所述目标用户对应的第二历史点击数据及第二基本信息数据，基于所述第二历史点击数据及所述第二基本信息数据确定所述目标用户对应的第二特征矩阵；

将所述第二特征矩阵输入所述训练好的产品推荐模型，得到所述目标用户对产品类别集中每个产品类别的预测点击率，基于所述预测点击率确定所述目标用户对应的产品推荐列表。

可选的，所述基于所述第一历史点击数据及所述第一基本信息数据确定所述用户集中每个用户对应的第一特征矩阵及第一标注信息，包括：

基于所述第一基本信息数据构建所述用户集中每个用户的用户画像；

从所述第一历史点击数据中抽取多个预设特征因子的特征值，得到所述用户集中每个用户对应的特征值集合；

汇总所述用户画像及特征值集合，得到所述用户集中每个用户对应的初始特征矩阵；

对所述初始特征矩阵执行编码处理，得到所述用户集中每个用户对应的第一特征矩阵；

基于所述第一历史点击数据中的用户点击行为确定所述用户集中每个用户对应的第一标注信息。

可选的，所述构建产品推荐模型包括：

将因子分解机模型作为低阶组合特征提取分支，将深度神经网络模型作为高阶组合特征提取分支；

连接所述低阶组合特征提取分支的输出与所述高阶组合特征分支的激活层的输入，得到产品推荐模型。

可选的，所述基于所述第一特征矩阵及所述第一标注信息训练所述产品推荐模型，得到训练好的产品推荐模型，包括：

将所述第一特征矩阵输入所述产品推荐模型的低阶组合特征提取分支，得到所述用户集中每个用户对应的一阶特征及二阶组合特征；